Comparação entre as Classificações de Risco de Crédito Estimadas pelos Modelos Estruturais e Não Estruturais: um Estudo com Empresas Brasileiras

(1)

Revista Contabilidade Vista & Revista, ISSN 0103-734X, Universidade Federal de Minas Gerais, 35

COMPARAÇÃO ENTRE AS CLASSIFICAÇÕES DE RISCO DE CRÉDITO

ESTIMADAS PELOS MODELOS ESTRUTURAIS E NÃO ESTRUTURAIS: UM

ESTUDO COM EMPRESAS BRASILEIRAS

Vanessa Martins Pires1

João Zani2 Francisco Antônio Mesquita Zanini 3 ▪ Artigo recebido em: 23/08/2011 ▪▪ Artigo aceito em: 07/07/2014 ▪▪▪ Segunda versão aceita em: 30/09/2014

RESUMO

Duas metodologias têm sido utilizadas para estimar o risco de crédito das empresas: os modelos estruturais e os modelos não estruturais. Os modelos estruturais são conhecidos também como modelos teóricos, pois apresentam uma teoria em sua construção. Os modelos não estruturais, por sua vez, são construídos por meio do teste de variáveis exploratórias, com a finalidade de inferir quais delas influenciam mais o grupo de observações presentes em uma amostra. Esta pesquisa contempla o modelo estrutural KMV e os modelos não estruturais de Kanitz (1976), Altman, Baidya e Dias (1979), Minussi (2008) e Brito e Assaf Neto (2008), com o objetivo de verificar o nível de convergência entre os resultados estimados pelas referidas metodologias. O estudo, realizado por meio de uma pesquisa empírico-analítica, abrange o período de 2006 a 2009. Estimaram-se regressões lineares simples e múltiplas, a fim de verificar a convergência entre os modelos. Concluiu-se, através de regressões lineares simples, que os resultados estimados pelo modelos de Kantiz (1976) e Altman, Baidya e Dias (1979) não são convergentes com os resultados obtidos pelo modelo KMV. Os resultados estimados pelo modelo de Minussi (2008) e Brito e Assaf Neto (2008) apresentaram significância estatística em relação ao modelo KMV, contudo evidenciaram uma relação inversa. O modelo de Brito e Assaf Neto (2008) ainda apresentou significância estatística em relação ao modelo KMV na regressão múltipla, mantendo o sinal negativo em seu coeficiente. Palavras-Chave: Risco de Crédito. Modelos Estruturais. Modelos Não Estruturais.

1_{Doutoranda em Administração de Empresas pela Universidade do Vale do Rio dos Sinos} (UNISINOS). Professora da UNISINOS. Endereço: Av. Unisinos, 950. Bairro Cristo Rei. São Leopoldo/RS CEP: 93022-000. E-mail: vmpires@unisinos.br. Telefone: 55 (51) 3591 1122.

2_{Doutor em Administração de Empresas pela Universidade Federal do Rio Grande do Sul} (UFRGS), Professor e Pró-Reitor Acadêmico da UNISINOS, Endereço: Av. Unisinos, 950. Bairro Cristo Rei. São Leopoldo/RS CEP: 93022-000. E-mail: jzani@unisinos.br. Telefone: 55 (51) 3591 1122.

3_{Doutor em Contabilidade e Organização de Empresas pela Universidade Autônoma de} Madrid – Espanha, Professor e Diretor da Unidade Acadêmica de Educação Continuada da UNISINOS, Endereço: Av. Unisinos, 950. Bairro Cristo Rei. São Leopoldo/RS CEP: 93022-000. E-mail: fzanini@unisinos.br. Telefone: 55 (51) 3591 1122.

(2)

COMPARISON BETWEEN THE CLASSIFICATIONS OF CREDIT RISK

ESTIMATED BY STRUCTURAL AND NON STRUCTURAL MODELS: A STUDY

WITH BRAZILIAN COMPANIES

ABSTRACT

Two methodologies have been used to estimate the credit risk of companies: structural models and the non structural models. The structural models are also known as theoretical models, they present a theory in its construction. The non structural models, in turn, are constructed by means of the exploratory variables, in order to infer which of them influence over the group of observations present in a sample. This research includes the structural model KMV and the non structural models of Kanitz (1976), Altman, Baidya and Dias (1979), Minussi (2008) and Brito and Assaf Neto (2008), in order to check the level of convergence between the results estimated by these methods. The study, conducted through an empirical-analytic research, covering the period 2006-2009. Simple and multiple linear regressions were estimated, in order to check the convergence between models. It is concluded, through simple linear regressions, that the results estimated by the models Kantiz (1976) and Altman, Baidya and Day (1979) are not convergent with the results obtained by KMV model. The results estimated by the model Minussi (2008) and Brito and Assaf Neto (2008) showed statistical significance in relation to the KMV model, however, showed an inverse relationship. The model of Brito and Assaf Neto (2008) also showed statistical significance in relation to the KMV model in multiple regression, keeping the negative sign in its coefficient.

Keywords: Credit Risk. Structural Models. Non Structural Models.

1 INTRODUÇÃO

O risco de crédito é caracterizado como um componente que afeta grande parte das operações realizadas no mercado financeiro, tornando-se, portanto, um elemento central para o desenvolvimento econômico. Diante disso, os órgãos reguladores e as instituições responsáveis pela estabilidade econômica têm buscado desenvolver normas que protejam e deem segurança à atuação das partes envolvidas nas negociações.

Os Acordos da Basiléia existem sob esta perspectiva. O Bank for

International Settlements – BIS propõe acordos relacionados ao tema risco de

crédito e convida os países a participar dos mesmos. O Acordo da Basiléia I é datado de 1988. O comitê o ampliou, em 2001, através do Acordo da Basiléia II e, em 2009, por meio do Acordo da Basiléia III.

O Acordo da Basiléia II estabelece um conjunto de regras que visam aprimorar a avaliação do risco de crédito por parte das instituições financeiras. Como consequência desse aprimoramento, surgem novas discussões sobre os desafios metodológicos para avaliação de crédito, incluindo a análise, a consistência, a validação dos modelos e a combinação dos fatores utilizados (MINUSSI, 2008).

(3)

O Acordo da Basiléia III, conjuntamente com o pacote de medidas presente no Acordo da Basiléia II, faz parte de uma resposta do comitê à crise financeira internacional. O objetivo central dos referidos acordos é fortalecer a regulação global sobre o capital e auxiliar na construção de um setor bancário mais resiliente. Consequentemente, as medidas propostas impactarão tanto na rentabilidade dos bancos quanto nos processos e sistemas informacionais, relacionados às classificações de risco de crédito (BIS, 2010).

Dentre as classificações de risco de crédito existentes, pode-se dizer que aquelas emitidas pelas agências de classificação de risco de crédito são as mais reconhecidas e utilizadas mundialmente. Segundo Silva (2008, p. 62), “o

rating é uma avaliação de risco, e esta avaliação é feita por meio da

mensuração e ponderação das variáveis determinantes do risco da empresa”. Existem, contudo, métodos diferentes para avaliar o risco de crédito empresarial. Duas metodologias têm sido utilizadas com esta finalidade, são elas: os modelos estruturais e os modelos não estruturais.

Segundo Falkenstein, Boral e Carty (2000), os modelos estruturais são aqueles apresentados sob um formato consistente e completamente definido, portanto sabe-se exatamente o que foi pensado ao construir o modelo. Os autores explicitam que as pessoas tendem a preferir os modelos constantes nessa tipologia, pois eles apresentam uma história em sua construção, que auxilia no entendimento da lógica desenvolvida em sua criação. Eles são conhecidos também como modelos teóricos.

Existem também modelos que são desenvolvidos através do teste de variáveis, a fim de encontrar aquelas que melhor exprimam o risco inerente às empresas em análise, são os chamados modelos não estruturais. Os modelos não estruturais são criados por meio do estudo meticuloso de dados, no qual se testa uma gama de variáveis explanatórias, escolhidas segundo estudos anteriores e teorias já existentes, para que se transformem os dados em informações apropriadas, procedendo assim a estimação do modelo. Os modelos não estruturais são, em geral, modelos de fácil entendimento (FALKENSTEIN; BORAL; CARTY, 2000).

Os modelos estruturais são compostos de dados de mercado e dados contábeis das empresas. Os modelos não estruturais, por sua vez, utilizam dados de mercado, contudo centram-se em informações contábeis. Essas duas abordagens embasam os modelos acadêmicos existentes para análise do risco de crédito empresarial.

Existem alguns modelos não estruturais bastante reconhecidos tais como o termômetro de insolvência de Kantiz (1976) e os estudos de Altman, Baidya e Dias (1979) e Silva (1983). Atualmente, alguns autores brasileiros continuam contribuindo nesta temática, fato evidenciado pelos estudos de Brito e Assaf Neto (2008) e Minussi (2008). No que se refere aos modelos estruturais, além do modelo de Wilcox (1971), conhecido como Gambler`s Ruin, tem-se o modelo mais conhecido nesta temática, o Merton/KMV.

Os modelos descritos buscam analisar o risco de crédito das empresas, utilizando-se de metodologias e técnicas distintas. Como não há consenso sobre a utilização de uma ou outra metodologia que melhor retrate o risco de crédito

(4)

das empresas, torna-se interessante investigar se as metodologias existentes apresentam resultados convergentes.

Nessa linha, o presente estudo busca responder o seguinte problema: a aplicação dos principais modelos estruturais e não estruturais produz classificações de risco de crédito convergentes, nas empresas brasileiras com

rating atribuído pelas agências de classificação de risco de crédito Standard & Poor’s e Moody’s?

2 FUNDAMENTAÇÃO TEÓRICA

2.1

Risco de Crédito

Para Cauoette, Altman e Narayanan (1999, p. 1), “o risco de crédito é a chance de que a expectativa de recebimento de uma quantia, durante um período limitado, não se cumpra”.

Soares (2005, p. 14) define risco de crédito como:

uma medida numérica da incerteza relacionada ao recebimento de um valor contratado e/ou compromisso, a ser pago por um tomador de empréstimo, contraparte de um contrato ou emissor de um título, descontadas as expectativas de recuperação e realização de garantias.

A análise do risco de crédito corporativo se faz presente entre as preocupações dos gestores das organizações, principalmente dos gestores que administram empresas atuantes no mercado de capitais, pois, investidores, credores, intermediários, entre outros stakeholders das organizações, utilizam as avaliações de risco de crédito, geralmente expressas pelo rating das agências, para a tomada de decisão.

Porém há de se considerar a existência de outras metodologias que possibilitam a análise do risco de crédito empresarial. Existem modelos estruturais, modelos não estruturais, e classificações de risco de crédito empresarial de outras instituições, que não somente as agências de classificação de risco de crédito.

Como consequência do rápido crescimento de inovações financeiras - tetos, pisos, swaps, opções de spread, entre outros derivativos exóticos - o ritmo de desenvolvimento de modelos que predizem o risco de crédito empresarial acelerou-se, nas décadas de 80 e 90. Inúmeras inovações metodológicas tornaram-se possíveis devido ao desenvolvimento de teorias financeiras, que permitiram aos analistas captarem novos aspectos do risco financeiro (CROUHY; GALAI; MARK, 2004).

A inovação ocorrida nos mecanismos de predição de risco de crédito possibilitou o aperfeiçoamento do processo de avaliação de crédito e da precificação de risco. Bancos e demais instituições interessadas têm recorrido, cada vez menos, a análises e julgamentos subjetivos, uma vez que métodos quantitativos e sistemáticos os subsidiam com informações de crédito precisas e acuradas para tomada de decisão (CINTRA; GAGNIN, 2007).

(5)

2.2 Merton/KMV

Existem alguns modelos estruturaisi_{para análise do risco de crédito}

empresarial. Neste estudo contempla-se o modelo KMV, pela sua representatividade acadêmica. Antes de descrever as características do modelo KMV, torna-se interessante abordar as teorias que o originaram.

O modelo de Merton (1974) mostra que o valor de mercado do patrimônio líquido pode ser visto como opção de compra dos ativos da empresa, mediante a liquidação da dívida com os credores. A abordagem descrita baseia-se na teoria da firma proposta por Merton (1974), a qual permite estimar a probabilidade de inadimplência das empresas implícita no preço de suas ações, por meio do modelo Black e Scholes (1973).

Já o modelo de Black e Scholes (1973) demonstra que a combinação entre uma ação da empresa e um empréstimo pode reproduzir uma opção de compra em período infinitesimal. A fórmula de Black e Scholes possibilita determinar a combinação necessária a cada instante e avaliar a opção com base na estratégia utilizada.

Para Godói, Yoshino e Oliveira (2008), o presente modelo está baseado no tema de apreçamento de títulos corporativos. Ao estudar o referido tema, Merton (1974) propôs uma metodologia que analisa a capacidade de pagamento da empresa emissora do título. O modelo resume o balanço da empresa emissora como se o passivo fosse composto apenas da dívida em análise. Assim, na data de vencimento da dívida, se a empresa possuir ativos suficientes a dívida será paga, do contrário, o pagamento será recebido pelo credor de acordo com os ativos restantes na empresa devedora.

Segundo Falkenstein, Boral e Carty (2000), na fórmula original de Merton (1974), quando o valor de mercado dos ativos da empresa cai abaixo de um dado nível, a empresa encontra-se em situação de falência. A empresa KMV utilizou-se da teoria contida no modelo de Merton (1974) para construir um modelo estrutural para análise do risco de crédito empresarial.

A teoria de opções, contida no modelo estrutural da KMV, remonta à ideia de que, se a empresa tornar-se inadimplente e seus ativos forem superiores à dívida contratada, seus credores receberão o valor principal devido mais os encargos pertinentes, contudo, se a empresa não possuir ativos iguais ou superiores ao valor da dívida, pode-se solicitar sua falência.

O modelo KMV utiliza as seguintes variáveis para mensurar o risco de crédito empresarial: valor de mercado e volatilidade dos ativos e o ponto de inadimplência, sendo este último resultante da soma das dívidas de curto prazo mais 50% das dívidas de longo prazo das empresas. O modelo contempla também o processo de mapping, que possibilita o cálculo da probabilidade de falência por meio de uma distribuição empírica, com base em um banco de dados, no qual constam, há décadas, os dados de falência de milhares de empresas nos Estados Unidos.

Abreu Neto (2008, p. 54) explica: “o modelo KMV assume que a melhor estimativa do valor dos ativos de uma empresa é o preço de suas ações no mercado”. O autor ainda refere que o valor do patrimônio líquido de uma empresa pode ser medido pelo preço de suas ações, por ser o mesmo que o

(6)

valor presente do fluxo de caixa livre produzido pelos ativos da empresa, deduzido da taxa de risco dos mesmos ativos.

Deve-se, porém, considerar a liquidez das ações que estão sendo utilizadas, ao auferir o valor de mercado dos ativos de uma empresa, pois se a ação em análise for de baixa liquidez, o valor de mercado dos ativos estimado pode não ser o verdadeiro, viesando, portanto, a análise.

Para Glantz (2007), uma medida eficiente do risco de inadimplência deve refletir as mudanças no risco de inadimplência ao longo do tempo. Como a medida de crédito EDF da KMV incorpora valores do ativo baseados em informações do mercado acionário, ela reflete ciclos de crédito, de forma clara e precisa. A informação de crédito disponibilizada pela KMV torna-se eficiente por utilizar informações atuais e precisas, provenientes do mercado de ações, promovendo o monitoramento contínuo do crédito que é difícil e caro de reproduzir, utilizando a análise de crédito tradicional. Relatórios anuais e outros processos tradicionais de crédito não podem manter o mesmo grau de segurança que os valores obtidos pelo modelo KMV.

No contexto da previsão de insolvência por meio da análise do valor das ações, Herrera e Procianoy (2000) analisaram o retorno das ações ex ante e ex

post ao evento da concordata de empresas com ações cotadas na Bovespa,

no período de outubro de 1988 a junho de 1996. Os autores analisaram os dados através de um estudo de evento, um teste de eficiência informacional, e concluíram, por meio da amostra de resíduos semanais, que, em cinco (5) anos antes da falência e em um ano posterior à concordata, houve consideráveis perdas nos valores das ações. Na amostra de resíduos diários, verificou-se reação negativa do mercado nos dias próximos ao evento da concordata. 2.3 Modelos Não Estruturais para Análise do Risco de Crédito Empresarial

Os modelos não estruturais são aqueles que utilizam variáveis exploratórias, com a finalidade de encontrar quais informações econômico-financeiras melhor exprimem o risco inerente às empresas em análise. As variáveis neles contidas provêm de teorias e/ou estudos empíricos.

Conforme Crouhy, Galai e Mark (2004), os modelos não estruturais ou estatísticos dependem de observações empíricas formuladas em termos de correlação, não de causalidade.

Descrevem-se a seguir alguns modelos não estruturais desenvolvidos nos Estados Unidos, Tabela 1, e no Brasil, Tabela 2. Os referidos modelos foram contemplados no presente estudo pela representatividade acadêmica que possuem e pela metodologia adotada.

(7)

Tabela 1 - Modelos Não Estruturais desenvolvidos nos Estados Unidos

Autor(es) Período Número de

Empresas Acurácia Grau de Utilizada(s) Técnica(s)

Altman, (1968) 1946 a ₁₉₆₅ 66 95% _{Discriminante}Analise

Wilcox, (1973) 1949 a ₁₉₇₁ 104 94% _{Discriminante}Análise Altman, Haldemann e Narayanan, (1977) 1964 a 1974 111 92% Analise Discriminante Moyer, (1977) 1965 a 1975 54 90% Analise Discriminante Casey e Bartczak, (1984) 1971 a 1982 290 86% Discriminante Analise Zavgren, (1985) 1972 a 1988 90 82% Regressão Logística Frydman, Altman e

Kao, (1985) 1971 a 1981 200 89% Árvores de Decisão Gombola et al.

(1987) 1970 a 1982 154 89% Discriminante Analise Aziz, Emanuel e

Lawson, (1988) 1971 a 1982 98 91% Regressão Logística Messier e Hansen,

(1988) 1975 e 1976 32 100% Árvores de Decisão Plat e Plat, (1990) 1972 a ₁₉₈₆ 114 90% Regressão Logística

Salchenberger, Cinar e Lash, (1992)

1986 e

1987 200 97% Redes Neurais

Coats e Fant, (1993) 1970 a ₁₉₈₉ 282 95% Redes Neurais Ward, (1994) 1984 a 1988 227 92% Regressão Logística Mc Gurr e Devaney, (1998) 1989 a 1993 112 74% Análise Discriminante Kayha e Theodossiou, (1999) 1974 a 1991 189 82% Análise Seqüencial CUSUM Yang, Platt e Platt

D., (1999)

1984 a

1989 122 74% Redes Neurais

Foreman, (2002) 1999 77 97% Regressão Logística Mckee e Lensberg, (2002) 1991 a 1997 291 82% Algoritmos Genéticos Fonte: Os Autores (2014).

A escolha dos modelos não estruturais brasileiros, contemplados no presente estudo, foi realizada por meio de pesquisa bibliográfica, acerca dos modelos mais citados pela literatura ao abordar o referido tema.

Os modelos não estruturais têm sido alvos de críticas no meio acadêmico, por não contarem com uma teoria explícita, diferentemente dos modelos estruturais. Contudo, mesmo não tendo fundamentação teórica sólida, o expressivo grau de predição nas classificações obtidas pelos estudos realizados, nas últimas décadas, sugere que a insolvência empresarial é um evento que pode ser previsto, de forma satisfatória, pelos modelos não estruturais. Além disso, os modelos não estruturais possuem uma vantagem no que tange à praticidade e à aplicabilidade nas atividades de concessão e gerenciamento

(8)

de crédito, especialmente para as instituições financeiras (BRITO E ASSAF NETO, 2008).

Tabela 2 - Modelos Não Estruturais desenvolvidos no Brasil

Autor(es) Período Número de

Empresas Acurácia Grau de Técnica Utilizada

Kanitz, (1976) 1971 30 76% _{Discriminante}Analise

Matias, (1978) 1977 a ₁₉₇₈ 100 77% _{Discriminante}Analise Altman, Baidya e

Dias, (1979) 1970 a 1975 58 88% Discriminante Analise Silva, (1983) 1982 419 87% _{Discriminante}Analise Sanvicente e Minardi, (1998) 1986 a 1998 92 81% Analise Discriminante Minussi , (2002) 2000 323 94% Regressão Logística

Minussi, (2008) 2000 a ₂₀₀₅ 6776 86% Regressão Logística Brito e Assaf Neto,

(2008) 1994 a 2004 60 90% Regressão Logística Fonte: Os Autores, (2014).

3 PROCEDIMENTOS METODOLÓGICOS

Descrevem-se a seguir os procedimentos metodológicos utilizados neste estudo.

3.1 Amostra e Coleta de Dados

A amostra de empresas utilizada na presente pesquisa é um recorte da população de empresas brasileiras que possuem rating. O estudo apresenta como amostra todas as companhias brasileiras, não financeiras, com rating atribuído pelas agências de classificação de risco de crédito: Standard & Poor’s

e Moody’s - as maiores agências de classificação de risco de crédito do mundo,

juntamente com a Fitch – em dezembro de 2009. A escolha da amostra deve-se a expectativa de comparar as classificações obtidas pelos modelos estruturais e não estruturais com os ratings das referidas agências em estudos futuros. A data base, dezembro de 2009, foi escolhida a fim de possibilitar o acompanhamento das classificações de risco de crédito atribuídas ao longo do período abrangido pelo estudo, que contempla o período de 2006 a 2009.

A amostra do estudo compreende 101 empresas. Devido à indisponibilidade de informações, relacionadas ao valor de mercado e volatilidade dos ativos – variáveis presentes no modelo KMV - 67 empresas não puderam ser inclusas nas regressões realizadas. Mesmo assim, as informações contábeis requeridas pelos demais modelos foram coletadas para todas as 101 empresas.

No quadro a seguir descrevem-se as empresas presentes nas regressões realizadas, bem como os setores nos quais estas corporações atuam, considerando a classificação NAICS, nível 1, presente na Economática.

(9)

Quadro 1 - Amostra de Empresas

Aços Villares S.A. Indústria Manufatureira Ambev – Companhia de Bebidas das

Américas S.A.

Indústria Manufatureira

Ampla Energia e Serviços S.A. Empresa de Eletricidade, gás e água BR Malls Participações S.A. Imobiliária e Locadora de Outros Bens

Brasil Telecom S.A Informação

BRF Foods S.A. Indústria Manufatureira

Cia de Eletricidade do Estado da Bahia Empresa de Eletricidade, gás e água Cia Energética de Minas Gerais S.A. - CEMIG Empresa de Eletricidade, gás e água Cia Energética de São Paulo S.A. - CESP Empresa de Eletricidade, gás e água Cia Energética do Rio Grande do Norte S.A. Empresa de Eletricidade, gás e água Eletrobrás - Centrais Elétricas Brasileiras S.A. Empresa de Eletricidade, gás e água Fibria Celulose S.A. Indústria Manufatureira

Gafisa S.A. Construção

Gerdau S.A. Indústria Manufatureira

Gol Linhas Áereas Inteligentes S.A. Transporte e Armazenamento

Iguatemi Empresa de Shopping Centers S.A. Imobiliária e Locadora de Outros Bens

Klabin S.A. Indústria Manufatureira

Klabin Segall S.A. Construção

Light S.A. Empresa de Eletricidade, gás e água

Localiza Rent a Car S.A. Imobiliária e Locadora de Outros Bens

Lupatech S.A. Indústria Manufatureira

Magnesita Refratários S.A. Mineracão

Marfrig Alimentos S.A. Indústria Manufatureira MRV Engenharia e Participações S.A. Construção

Neoenergia S.A. Empresa de Eletricidade, gás e água Net Serviços de Comunicação S.A. Informação

PDG Reality S.A. Empreendimentos e Participações S.A.

Construção

Rio Grande Energia S.A. Empresa de Eletricidade, gás e água

Rossi Residencial S.A. Construção

Sadia S.A. Indústria Manufatureira

Santos Brasil Participações S.A. Transporte e Armazenamento Telemar Norte Leste S.A. Informação

Ultrapar Participações S.A. Indústria Manufatureira

Vale S.A. Mineração

Fonte: Os Autores.

Os dados foram coletados por meio do site da Bovespa, da Economática, do site da Comissão de Valores Mobiliários – CVM e através de consulta às agências de rating Standard & Poor’s e Moody’s. Os dados coletados contemplam o período de 2006 a 2009 e são compostos de informações financeiras, contábeis e de mercado das empresas em análise. Após a obtenção dos dados necessários foram calculadas as equações de cada modelo, anualmente, a fim de obter os score/probabilidades para as posteriores comparações.

Os modelos não estruturais, construídos com base em empresas brasileiras, que foram utilizados para comparação com o modelo estrutural KMV foram os modelos de: Kanitz (1976); Altman Baidya e Dias (1979); Altman (1968); Brito e

(10)

Assaf Neto (2008); Minussi (2008). Apresentam-se, a seguir, as equações dos modelos contemplados e suas respectivas variáveis.

a) Kanitz (1976):

Score = 0,05X1 + 1,65X2 + 3,55X3 -1,06X4 – 0,33X5 (1)

Sendo:

X1 = Lucro Líquido/Patrimônio Líquido;

X2 = (Ativo Circulante + Ativo Realizável a Longo Prazo)/(Exigível Curto Prazo +

Exigível Longo Prazo);

X3 = (Ativo Circulante – Estoque)/Exigível a Curto Prazo; X4 = Ativo Circulante/Exigível a Curto Prazo, e

X5 = (Exigível a Curto Prazo + Exigível a Longo Prazo)/Patrimônio Líquido.

b) Altman, Baidya e Dias (1979):

Score = -1,44 + 4,03 X2 + 2,25 X3 + 0,14 X4 + 0,42 X5 (2)

Sendo:

X2 = (Não Exigível – Capital Aportado pelos Acionistas)/Ativo Total; X3 = Lucros Antes de Juros e Impostos/Ativo Total;

X4 = Não Exigível/Exigível Total, e X5 = Vendas/Ativo Total.

c) Minussi (2008): 1 – 1/(1 + e – score₎

Score = -5,9500 + 0,4508X1 – 0,1322X2 – 0,9424X3 +1,0024X4 – 2,9601X5 (3)

Sendo:

X1 = Alavancagem Financeira; X2 = Índice de Cobertura dos Juros; X3 = Capital de Giro Próprio/Vendas;

X4 = Necessidade de Capital de Giro/Vendas, e X5 = Saldo da Tesouraria/Vendas.

d) Brito e Assaf Neto (2008): 1 – 1/(1 + e – score₎

Score = – 4,740 – 4,528X12 + 18,433X16 – 14,080X19 – 11,028X22 (4)

(11)

X12 = Lucros Retidos/Ativo;

X16 = Endividamento Financeiro (PCF + ELPF) / Ativo Total; X19 = Capital de Giro Líquido (AC – PC) / Ativo Total, e X22 = Saldo de Tesouraria/Vendas.

Como os modelos geram resultados diferentes e utilizam-se de escalas distintas, padronizamos os resultados, a fim de que os scores obtidos indicassem classificações de risco de crédito na mesma direção (solvência/insolvência), conforme evidenciado nos modelos de Minussi (2008) e Brito e Assaf Neto (2008), descritos acima.

Devido às mudanças contábeis ocorridas após a promulgação da lei de nº. 11638/07, utilizou-se a conta reservas de lucros, ao invés de lucros retidos na variável X12 do modelo de Brito e Assaf Neto (2008), considerando os anos seguintes a promulgação da mesma (2008 e 2009).

O modelo estrutural utilizado para comparação é o modelo KMV. Ele foi o escolhido, entre os modelos teóricos existentes, por sua representatividade acadêmica em estudos relacionados ao tema risco de crédito (MINARDI, 2008). Apresentam-se, a seguir, a equação (5) e as variáveis do referido modelo.

(5)

O modelo KMV utiliza informações contábeis e de mercado das empresas. A informação de mercado inclusa no modelo é o valor de mercado dos ativos. O valor de mercado das empresas foi obtido por meio da variável valor de mercado, presente na Economática, utilizando-se como base o valor de mercado anual de cada empresa.

A variável ponto de inadimplência foi obtida por meio da soma das dívidas de curto prazo (Passivo Circulante) mais 50% das dívidas de longo prazo (Exigível de Longo Prazo/2) de cada empresa (FALKSTEIN; BORAL; CARTY, 2000; GLANTZ, 2007).

A variável denominada volatilidade dos ativos foi obtida por meio do valor do indicador volatilidade anual, presente na Economática, o qual utiliza-se de cotações diárias das ações das empresas.

O modelo original da KMV utiliza-se da distribuição empírica com a finalidade de estimar probabilidades de falência, após obter a distância de

default (distância até a inadimplência) – DD. Por não se ter acesso a um banco

de dados semelhante, os resultados obtidos (DD) foram os utilizados na comparação com os demais modelosii_.

Os resultados obtidos por cada modelo foram analisados por meio do número de desvios padrão em relação à média, anualmente. Este critério se fez necessário para padronizar os resultados estimados por cada modelo, visto que

(12)

alguns utilizam-se da técnica de análise discriminante, outros da regressão logística, além do fato de que o modelo KMV original utiliza-se de probabilidades empíricas de inadimplência.

A técnica estatística denominada regressão linear foi utilizada no que tange ao método comparativo entre os resultados obtidos pelos referidos modelos. Segundo Freund (2006), a regressão linear simples objetiva estabelecer uma relação que possibilite prever a variação de uma variável em função de outra; a regressão linear múltipla prevê a variação de uma variável em função de duas ou mais variáveis. O software Stata foi o programa estatístico utilizado para estimar as referidas regressões.

3.2 Procedimentos Econométricos

Para Baltagi (2005) os dados em painel têm mais variabilidade decorrente da combinação entre cross-section e série temporal, gerando dados mais informativos, com menos colinearidade, mais graus de liberdade, possibilitando uma estimativa mais eficiente. Os dados em painel são usados para lidar com o problema de variável omitida não medida que pode afetar tanto o comportamento das companhias, a chamada heterogeneidade individual não observada, um exemplo é a capacidade gerencial, assim como variáveis de tempo omitidas que influenciam o comportamento individual uniformemente, mas de maneira diferente em cada período, um exemplo é o efeito das políticas monetárias. Da mesma forma que podem existir variáveis firma-invariantes e tempo-firma-invariantes que podem afetar a variável dependente, tais como os aspectos culturais, o nível de proteção legal e a classificação setorial. Não considerar estas variáveis quando esta heterogeneidade mostra-se sistemática pode causar problemas de especificação e resultados enviesados, além disso, as séries temporais e cross-section separadamente não controlam esta heterogeneidade.

No presente estudo foram realizados testes de especificação Breusch e Pagan nos modelos para avaliar se o efeito aleatório prevaleceria sobre o modelo Pooled. Tendo em vista que os efeitos aleatórios prevaleceram sobre o

pooled foi realizado o teste Hausman para comparar a consistência do modelo

aleatório sobre o efeito fixo. Prevaleceu, novamente, o efeito aleatório em todas as estimações.

Baltagi (2005) descreve que efeitos aleatórios assumem a exogeneidade de todos os regressores com os efeitos individuais aleato rios. Em contraste, os efeitos fixos permitem a endogeneidade de todos os regressores com os efeitos individuais. alienta-se que ambos diferem quanto a forma como introduzem a heterogeneidade ao modelo.

4 ANÁLISE DOS RESULTADOS

Apresentam-se os resultados obtidos ao comparar as classificações estimadas pelo modelo estrutural KMV com as classificações atribuídas pelos

(13)

modelos não estruturais de Kanitz (1976), Altman, Baidya e Dias (1979), Minussi (2008) e Brito e Assaf Neto (2008).

Inicialmente, para atenuar os efeitos de possíveis outliers, 2,5% das variáveis presentes em cada modelo foram winsorizadas em cada cauda.

Na sequência, construiu-se uma matriz de correlação entre os resultados estimados pelos modelos, considerando todos os anos contemplados pelo estudo. Esta análise é importante, pois permite avaliar a relação entre os grupos de dados estudados por meio dos sinais das correlações. Apresenta-se na Tabela 3 a referida matriz de correlação.

Tabela 3 - Matriz de correlação

KMV 1.000* 105** KANITZ (1976) -0.2068* 1.000* (0.0361) 103** 103** ALTMAN (1979) 0.0662* 0.1862* 1.000* (0.5065) (0.0597) 103** 103** 103** MINUSSI (2008) -0.2255* 0.3443* 0.2124* 1.000* (0.0220) (0.0004) (0.0313) 103** 103** 103** 103**

BRITO E ASSAF NETO (2008) -0.1975* 0.5982* 0.0004* 0.3126* 1.000* (0.0455) (0.0000) (0.9970) (0.0013)

103** 103** 103** 103** 103** Nota 1: p-valor entre parênteses.

Nota 2: * , ** correlações e observações, respectivamente. Fonte: Os Autores, (2014).

Através da matriz de correlação é possível identificar que três modelos apresentam correlações inversas, são eles: Kanitz (1976), Altman, Baidya e Dias (1979), Minussi (2008) e Brito e Assaf Neto (2008). A maior correlação entre os modelos não estruturais e o modelo KMV é evidenciada pelos resultados do modelo de Minussi (2008), com o valor de -22,55%.

Apresenta-se na Tabela 4, descrita a seguir, a estatística descritiva das variáveis utilizadas nas regressões.

Tabela 4 - Estatística descritiva das variáveis

VARIÁVEIS OBSERVAÇÕES MÉDIA _PADRÃODESVIO- MÍNIMO MÁXIMO

KMV 105 -.018 .908 -.911 2.936

KANITZ (1976) 103 .183 .577 -1.087 2.113

ALTMAN (1979) 103 .053 .637 -1.526 1.657

MINUSSI (2008) 103 .234 .438 -3.609 .3971

BRITO E ASSAF NETO

(2008) 103 .332 .913 -1.438 1.325

(14)

Os valores médios presentes na Tabela 2, bem como os valores presentes nas demais estimações, foram padronizados e mesmo assim, apresentam uma heterogeneidade em capturar o risco de crédito empresarial, mesmo considerando modelos que utilizam a mesma metodologia, como no caso dos modelos de Brito e Assaf Neto (2008) e Minussi (2008).

Antes de proceder a estimação das regressões realizou-se o teste de Hausman, a fim de identificar se as mesmas deveriam ser estimadas considerando efeitos fixos ou aleatórios. Todos os testes indicaram que deveriam ser utilizados efeitos aleatórios.

Na tabela 5 apresentam-se os resultados obtidos por meio das regressões simples e múltipla, utilizando efeitos aleatórios.

Tabela 5 - Resultado das Regressões

CONSTANTE KANITZ ALTMAN MINUSSI BRITO E ASSAF NETO R2

-.0065356 -.2271032 0,0428 (0.962) (0.221) -.048303 .0029581 0,0044 (0.717) (0.985) .0186008 -.3405513 0,0509 (0.887) (0.028)** 578879 -.3231617 0,0390 (0.708) (0.006)*** .0756339 .0029783 .0979436 -.137309 -.3092296 0,0559 0.601 0.987 0.414 0.297 0.016**

Nota 1: ***, ** e *, indicam significância estatística a 1, 5 e 10%, respectivamente. Nota 2: P-value entre parênteses.

Fonte: Os Autores, (2014).

Verifica-se que os modelos de Kanitz (1976) e Altman, Baidya e Dias (1979) não apresentam significância estatística, tanto no modelo simples, quanto no modelo ampliado. Os modelos de Brito e Assaf Neto (2008) e Minussi (2008) apresentam significância estatística no modelo simples, contudo evidenciam uma relação inversa com o modelo KMV. O modelo de Brito e Assaf Neto (2008) ainda apresentou significância estatística no modelo ampliado, mantendo o sinal invertido. Os resultados indicam, portanto que os modelos não estruturais não apresentam convergência com os resultados do modelo estrutural KMV, evidenciando, inclusive, relações opostas.

5 CONSIDERAÇÕES FINAIS

O presente trabalho teve por objetivo comparar os modelos estruturais e os modelos não estruturais, a fim de inferir se estas metodologias apresentam resultados convergentes.

As análises realizadas evidenciam que os resultados estimados pelo modelo não estrutural de Kanitz (1976) e Altman, Baidya e Dias (1979) não apresentam convergência em relação aos resultados obtidos pelo modelo estrutural KMV. Os resultados estimados pelo modelo não estrutural de Minussi

(15)

(2008) e Brito e Assaf Neto (2008) apresentaram significância estatística em relação aos resultados obtidos pelo modelo KMV, contudo evidenciaram uma relação inversa. Os resultados estimados pelo modelo de Brito e Assaf Neto (2008) ainda apresentaram significância estatística no modelo ampliado, mantendo o sinal invertido.

Evidencia-se, portanto a existência de classificações de risco de crédito divergentes entre os modelos estudados.

No que se refere à avaliação das metodologias existentes para análise do risco de crédito empresarial, Glantz (2007) assinala que a medida mais eficiente de inadimplência provém de modelos que utilizam tanto preços de mercado quanto demonstrativos financeiros. O autor não afirma que os mercados são perfeitamente eficientes, porém diz que é muito difícil superar consistentemente o mercado. Ainda menciona que, quando disponíveis, deve-se utilizar os preços de mercado na determinação do risco de inadimplência, porque os preços do mercado aumentam consideravelmente o poder de previsão das estimativas.

Assim, embora existam metodologias inovadoras e eficazes na predição do risco de crédito, não se deve restringir a análise de crédito a uma metodologia, pois, em geral, elas analisam algumas informações de um todo, dificilmente algum método contemplaria todas as informações relevantes para uma análise de crédito completa e segura.

Não existe uma metodologia mais eficiente que outra para auferir o risco de crédito empresarial. A questão mais relevante, ao estimar e analisar o risco de crédito empresarial, é ter ciência de que determinar o desempenho de uma medida de inadimplência torna-se um problema teórico e empírico, pois, na prática, pode-se somente estimar probabilidades de inadimplência, ou seja, não é possível classificar ex ante as companhias como solventes ou insolventes (GLANTZ, 2007).

Acredita-se que a situação econômica do período, no qual os modelos estudados foram construídos, exerceu grande influência nos critérios estabelecidos por cada autor, definindo, portanto, as particularidades de cada modelo. Pinheiro et al. (2007) identificaram a influência de tal fato em seu estudo. Os autores aplicaram alguns modelos não estruturais, construídos no Brasil, em empresas brasileiras com ações cotadas na Bovespa, e obtiveram um baixo índice de acurácia nos resultados. Os autores concluíram, dados os resultados obtidos, que deve haver a atualização de modelos antigos, pois vários deles demonstraram perda de vigência dos coeficientes associados às variáveis, consequência de análises realizadas em períodos econômicos distintos. Ressaltaram, igualmente, a necessidade da criação de novos modelos. Nessa linha, supõe-se que a ausência de convergência nos resultados obtidos se deve ao fato de se ter comparado metodologias construídas em períodos distintos, pois as análises realizadas compreenderam modelos da década de 70 (Kanitz, 1976; Altman; Baidya e Dias, 1979) e modelos atuais (Minussi, 2008; Brito; Assaf Neto, 2008).

Considerando os resultados obtidos neste estudo, acredita-se que há um longo caminho a ser percorrido até haver a consolidação de uma metodologia

(16)

para análise do risco de crédito empresarial, se esse objetivo um dia for alcançado.

5.1 Limitações do Estudo e Sugestões para Pesquisas Futuras

Reconhece-se que este estudo apresenta algumas limitações. Dentre elas, o fato de comparar modelos que utilizam-se de diferentes metodologias (análise discriminante, regressão logística, probabilidade empírica e etc.). Bem como a utilização de modelos construídos com base em amostras compostas por diferentes empresas, estabelecidas em países distintos e considerando períodos econômicos variados.

Contudo entende-se que seria interessante investigar se existem convergências nas classificações geradas por estes modelos, pois mesmo que cada modelo utilize-se de uma metodologia própria e tenha sido construído com base em uma amostra específica de empresas, o objetivo dos mesmos é classificar as empresas em geral, no que se refere ao risco de crédito que elas apresentam. Tratando-se, portanto de modelos com características específicas que permitem aplicações externas à metodologia e à amostra original.

Algumas considerações relacionadas ao período econômico no qual os modelos foram construídos estão presentes nas considerações finais, descrevendo que este fato já influenciou a aplicação de outros modelos, em amostras diferentes, e pode ter contribuído para os resultados obtidos neste estudo, assim como o país no qual as empresas presentes nas amostras atuam.

Como sugestão para estudos futuros, acredita-se que a construção de um modelo atual e abrangente, considerando tanto as características dos modelos estruturais, quanto dos não estruturais, seria relevante, pois este modelo poderia permitir a aplicação prática para uma gama maior de empresas, considerando diferentes portes, setores e países. Sabe-se das limitações que tal modelo poderia apresentar ao analisar alguns casos empresariais específicos, porém acredita-se que ele permitiria ter uma visão geral sobre as principais variáveis que influenciam o risco de crédito empresarial (GLANTZ, 2007).

REFERÊNCIAS

ABREU NETO, J. C. F. de. Quantificação do Risco de Crédito: Uma Abordagem

Utilizando o Modelo Estrutural de Merton. Dissertação de Mestrado do Curso de

Engenharia da Produção. PUC-RIO, Janeiro, 2008.

ALTMAN, E. I.; HALDEMAN, R. G. e NARAYANAN, P.. A new model to identify banckrupty risk of corporations. Journal of Banking and Finance, Vol. 1, p. 29-54, 1977.

ALTMAN, E. I. Financial Ratios, Discriminant Analysis and the Prediction of

Corporate Bankrupty. Journal of Finance, Vol. 23, nº. 4, 1968.

ALTMAN, E. I; BAIDYA, T. K. N.; e DIAS, L. M. R.. Previsão de Problemas Financeiros em Empresas. Revista de Administração de Empresas, Vol. 19, p. 17-28, 1979. AZIZ, A..; EMANUEL, D.. C.; LAWSON, G. H. Bankruptcy Prediction – An

Investigation of Cash Flow Based Models. Journal of Management Studies, Vol. 25, Issue 5, p. 419-437, 1988.

(17)

BALTAGI, B. H. Econometric Analysis of Panel Data. England: John Wiley & Sons, Thild edition,2005.

BIS – Bank for International Settlements. Basel Committee on Bank Supervision:

International Convergence of Capital Measurement and Capital Standards.

Disponível em: http://www.bis.org/publ/bcbs128.pdf. Acesso em 18 de junho de 2010.

BLACK, E.; e SCHOLES, M. The price of options and corporate liabilities. Journal of

Political Economics, Vol. 81, N°.3, p. 637-659, 1973.

BRITO, G. A. S.; e ASSAF NETO, A.. Modelo de Classificação de Risco de Crédito de Grandes Empresas. Revista de Contabilidade e Finanças da USP, Vol. 19, nº. 46, p. 18-29, 2008.

CASEY, C. J.; e BARTCZAK, N. J. Cash Flow – It’s not the Bottom Line. Harvard

Business Review, July-August, p. 61-66, 1984.

CAUOETTE, J. B.; ALTMAN, E. I; e NARAYANAN, P. Gestão do Risco de Crédito. Rio de Janeiro: Qualitymark, 1999.

CHAIA, A. J.. Modelos de Gestão do Risco de Crédito e sua Aplicabilidade ao

Mercado Brasileiro. Dissertação de Mestrado em Administração na USP, 121

páginas, 2003.

CINTRA, M. A. M.; e CAGNIN, R. F. Evolução da Estrutura e da Dinâmica das Finanças Norte-Americanas. Revista Econômica, Rio de Janeiro, Vol. 9, nº. 2, p. 296-338, 2007.

CROSBIE, P. J.; e BOHN, J. R. Modeling default risk. Publicado por KMV LCC, 37 paginas, 2002.

CROUHY, M.; GALAI, D.; e MARK, R.. Gerenciamento de risco: uma abordagem

conceitual e prática – uma visão integrada dos riscos de crédito operacional e de mercado.Qualitimark: São Paulo, 2004.

FALKESTEIN, E.; BORAL, A.; e CARTY, L. V. Risck Calc for Private Companies:

Moody’s Default Model. Moody’s Investidor Service – Global Credit Research, 88

páginas, 2000.

FOREMAN, R. D.. A Logistic Analysis of Bankruptcy within the US Local

Telecommunications Industry. Journal of Economics and Business, p. 1-32, 2002.

FREUND, J. E. Estatística Aplicada a Economia, Administração e Contabilidade. Tradução da versão original da Modern Elementary Statistics, datada de 2004. São Paulo: Bookman, 2006.

FRYDMAN, H.; ALTMAN, E, I; e KAO, D. Introducing Recursive Partitioning for

Financial Classification: The Case of Financial Distress. Journal of Finance, Vol. 40,

Nº. 1, p. 269-291, 1985.

GODOI, A. C. de; YOSHINO, J. A.; e OLIVEIRA, R. de D.. Risco de Crédito e Alocação Ótima para uma Carteira de Debêntures. Revista de Estudos

Econômicos, Vol. 38, N°. 2, p. 349-372, 2008.

GOMBOLA, M. J.; HASKINS JR., M. E.; KETZ, J. E..e WILLIAMS, D.. Cash Flow in

(18)

GLANTZ, M.. Gerenciamento de riscos bancários: introdução a uma ampla

engenharia de crédito. Rio de Janeiro: Elsevier, 2007.

HARIK, G.; GOLDBERG, D. E.; CANTÚ-PAZ, E.; e MILLER, B. L. The Gambler’s Ruin

Problem, Genetic Algorithms, and the Sizing Populations. Journal of Evolutionary

Computation, Vol. 7, n°. 3, p. 231-253, 1999.

HERRERA, P. I. B.; e PROCIANOY, J. L. Avaliação do Retorno das Ações das Empresas Concordatárias. Revista de Administração de São Paulo, Vol. 35, n°. 1, p. 86-97, 2000.

KAHYA, E.; e THEODOSSIOU, P. Predicting Corporate Financial distress: A Time-

Series CUSUM Methodology. Journal of Review of Quantitative Finance and Accounting, Vol. 13, p. 323-345, 1999.

KANITZ, S. C.. Indicadores Contábeis e Financeiros de Previsão de Insolvência: A

experiência da Pequena e Média Empresa Brasileira. Tese de Livre Docência,

FEA/USP, 1976.

MATIAS, A. B.. Contribuição às Técnicas de Análise Financeira: um Modelo de

Concessão de Crédito. Trabalho de Conclusão de Graduação em

Administração de Empresas da USP, 101 páginas, 1978.

MCGURR, P. T; e DEVANEY, S. A. Predicting Business Failure of Retail Firms: An

Analysis Using Mixed Industry Models. Journal of Business Research, Vol. 43,

p.169-176, 1998.

MCKEE, T. E; e LENSBERG, T. Genetic Programming and Rough Sets: A Hybrid Approach to Bankruptcy Classification. European Journal of Operational

Research, Vol.138, p. 436-451, 2002.

MERTON, R. C. On the princing of corporate debt: the risk structure of interest rates. Journal of Finance, Vol. 29, n°. 4, p. 449-470, 1974.

MINARDI, A. M. A. F. Probabilidade de inadimplência de empresas brasileiras refletida nas informações do mercado acionário. Revista de Administração

Contemporânea/RAC- Eletrônica, Vol. 2, n°. 2, Artigo 9, p. 311-329, 2008.

MINUSSI, J. A.. New Corporate Credit Scoring Models in the Context of the Basel II

Accord: A Brazilian Case Study. Tese de Doutorado do Departamento de

Ciências Administrativas da Universidade de Lancaster, 361 páginas, 2008. MINUSSI, J. A.; NESS JR., W. L.; e DAMACENA, C.. Um Modelo de Previsão de Solvência Utilizando Regressão Logística. Revista de Administração

Contemporânea - RAC, Vol. 6, nº. 3, p. 109-128, 2002.

MOYER, R. C, Forecasting Financial Failure: A Re-Examination. Journal of Financial

Management, Spring, p.11-17, 1977.

PLATT, H. D.; e PLATT, M. B. Development of a Class of Stable Predictive Variables:

The Case of Bankruptcy Prediction. Journal of Banking, Finance and Accounting,

Vol.17, Issue 1, p. 31-51, 1990.

SALCHENBERGER, L. M.; CINAR, M. E.; e LASH, N.A. Neural Networks: A New Tool for Predicting Thrift Failures. Journal of Decision Sciences Vol. 23, p. 899-916, 1992.

(19)

SANVICENTE, A. Z. e MINARDI, A. M. A. F. Identificações de Indicadores Contábeis Significativos para Previsão de Concordata de Empresas. Finance Lab Working

Papers, Ibmec Business School. São Paulo, 1998. Disponível em:

http://www.risktech.com.br/PDFs/indicadores_concordata.pdf. Acesso em 13 de janeiro de 2011.

SILVA, J. P. da. Gestão e Análise de Risco de Crédito. 6ª edição. São Paulo: Atlas, 2008.

SOARES, C. de A. F.. Da Possibilidade de Regulação das Agências de Rating no

Brasil. Monografia. Instituto de Economia da Universidade Federal do Rio de

Janeiro, 2005.

WARD, T. J. An Empirical Study of the Incremental Predictive Ability of Beaver’s

Naïve Operating Flow Measure using Four-State-Ordinal Models of Financial Distress. Journal of Business Finance and Accounting, Vol. 21, Issue 4, p. 547-561,

1994.

WILCOX, J.. W. Prediction of Business Failure using Accounting Data. Journal of

Accounting Research: Supplement on Empirical Research in Accounting,

p.163-190, 1973.

YANG, Z. R.; PLATT, M. B.; e PLATT H. D. Probabilistic Neural Networks in Bankurpcty Prediction. Journal of Business Research, Vol. 44, p. 67-44, 1999.

ZAVGREN, C. V. Assessing the Vulnerability to Failure of American Industrial Firms: A Logistic Analysis. Journal of Banking and Finance, Vol. 12, Issue 1, p.19-45,1985.

i

Gambler’s Ruin é também um modelo estrutural. Ele foi criado por Wilcox em 1971, e calcula assim como o modelo da KMV, a distância de falência das empresas. No Gambler’s Ruin, a volatilidade dos ativos é baseada no fluxo de caixa das empresas (HARIK ET AL., 1999).

ii_{Não utilizou-se a metodologia do EDF teórico do Modelo KMV, porque o presente estudo tem como amostra} empresas com ratings atribuídos pelas agências Moody’s e S&P, logo não possui como uma amostra um grupo de empresas classificadas como solventes e um grupo de empresas classificadas como insolventes. Se a amostra utilizada neste estudo seguisse o critério descrito (empresas solventes e empresas insolventes), seria possível extrair a probabilidade de solvência diretamente da distribuição normal reduzida, em função do número de desvios-padrões que o ponto de inadimplência se afastaria da média, como prevê a metodologia contida no EDF teórico (CHAIA, 2003).